Autonomous Vehicle Decision-Making Framework for Considering Malicious Behavior at Unsignalized Intersections
Shandong University of Science and Technology(山东科技大学)
本文提出一种基于Q-learning的自动驾驶车辆决策框架,通过引入一阶心智理论推断和可变安全权重参数,提升车辆在无信号交叉口应对恶意行为时的安全性与效率,并经Prescan/Simulink仿真验证有效。
2024-09-11 cs.LG cs.RO
Attention-based Recurrent Neural Network for Urban Vehicle Trajectory Prediction
Korea Advanced Institute of Science and Technology(韩国科学技术院);The University of Queensland(昆士兰大学)
随着各种定位设备和基于位置的服务的不断部署,大量的空间和时间信息被收集和积累为轨迹数据。在众多应用中,基于概率的位置预测由于其在多个领域中提高许多应用的性能的潜力而获得越来越多的关注。研究了基于城市交通网络中车辆轨迹数据的轨迹序列预测方法。针对已有的循环神经网络(RNN)模型,提出了一种改进的基于注意力的循环神经网络(ARNN)模型,用于城市车辆轨迹预测。将注意力机制引入到城市车辆轨迹预测中,以解释网络级交通状态信息的影响。该模型使用在澳大利亚布里斯班收集的私人车辆的蓝牙数据进行评估,其中5个指标被广泛用于序列建模。与现有的RNN模型相比,所提出的ARNN模型显示出显着的性能改善,不仅考虑了要访问的小区,而且还考虑了小区序列的对齐。
2019-12-04 cs.AI cs.LG
NetTraj: A Network-based Vehicle Trajectory Prediction Model with Directional Representation and Spatiotemporal Attention Mechanisms
University of Hong Kong(香港大学)
城市道路网络中车辆的轨迹预测对于车辆导航、交通管理和基于位置的推荐等各种基于位置的应用具有重要意义。现有的方法通常将轨迹表示为网格单元、路段或意图集的序列。它们都不是理想的,因为基于单元的表示忽略了道路网络结构,而其他两种在分析城市规模的道路网络时效率较低。此外,以前的模型几乎没有利用空间依赖性或只考虑它们在网格单元水平,忽略了不规则的道路网络形成的非欧空间结构。为了解决这些问题,我们提出了一个基于网络的车辆轨迹预测模型NetTraj,它将每个轨迹表示为一系列交叉点和相关的运动方向,然后将它们馈送到LSTM编码器-解码器网络中,用于未来的轨迹生成。此外,我们引入了一个本地图注意力机制来捕获网络级的空间依赖的轨迹,和一个时间注意力机制与滑动上下文窗口来捕获短期和长期的时间依赖的轨迹数据。基于两个真实大规模出租车轨迹数据集的大量实验表明,NetTraj优于现有的最先进的车辆轨迹预测方法,验证了所提出的轨迹表示方法和时空注意力机制的有效性.
2021-09-17 cs.AI cs.LG
Roadmap for Cybersecurity in Autonomous Vehicles
Colorado State University(科罗拉多州立大学)
自动驾驶汽车即将出现,并将改变交通安全和舒适性。这些车辆将连接到各种外部系统,并利用先进的嵌入式系统来感知其环境并做出智能决策。然而,这种增加的连接性使这些车辆容易受到各种网络攻击,这些攻击可能产生灾难性的影响。对汽车系统的攻击在当今的汽车中已经呈上升趋势,预计在未来的自动驾驶汽车中将变得更加普遍。因此,有必要加强未来自动驾驶汽车的网络安全。在本文中,我们讨论了过去十年中的主要汽车网络攻击,并介绍了利用人工智能(AI)的最先进的解决方案。我们提出了构建安全自动驾驶汽车的路线图,并强调了需要解决的关键开放挑战。
2022-01-19 cs.AI cs.CR cs.LG
Deep Learning based Urban Vehicle Trajectory Analytics
Korea Advanced Institute of Science and Technology(韩国科学技术院)
“轨迹”是指一个移动物体在地理空间中产生的轨迹,通常由一系列按时间顺序排列的点表示,其中每个点由一组地理空间坐标和一个时间戳组成。位置传感和无线通信技术的快速发展使我们能够收集和存储大量的轨迹数据。因此,许多研究人员使用轨迹数据来分析各种移动对象的移动性。在本论文中,我们专注于“城市车辆轨迹”,这是指车辆在城市交通网络中的轨迹,我们专注于“城市车辆轨迹分析。城市车辆轨迹分析为了解城市交通网络中的车辆运动模式提供了前所未有的机会,包括以用户为中心的出行体验和系统范围的时空模式。城市车辆轨迹数据的时空特征在结构上是相互关联的,因此,许多先前的研究者使用各种方法来理解这种结构。特别是深度学习模型,由于其强大的函数逼近和特征表示能力,越来越受到研究者的关注。因此,本论文的目标是开发基于深度学习的城市车辆轨迹分析模型,以更好地了解城市交通网络的移动模式。本文重点研究了两个具有很强必要性、重要性和实用性的研究课题:下一个目标位置预测和综合弹道生成。在这项研究中,我们提出了各种新的模型,城市车辆轨迹分析使用深度学习。
2021-11-15 cs.LG
Object Detection in Autonomous Vehicles: Status and Open Challenges
Colorado State University(科罗拉多州立大学)
目标检测是一项计算机视觉任务,已成为当今许多消费者应用的组成部分,例如监控和安全系统、移动文本识别以及通过MRI/CT扫描诊断疾病。目标检测也是支持自动驾驶的关键组件之一。自动驾驶汽车依靠对周围环境的感知来确保安全和稳健的驾驶性能。该感知系统使用目标检测算法来准确地确定车辆附近的行人、车辆、交通标志和障碍物等物体。基于深度学习的物体检测器在实时发现和定位这些物体方面发挥着至关重要的作用。本文讨论了物体探测器的最新技术水平以及将其集成到自动驾驶汽车中所面临的挑战。
2022-01-19 cs.AI cs.CV cs.LG
Sequence-to-Sequence Prediction of Vehicle Trajectory via LSTM Encoder-Decoder Architecture
Hanyang University(汉阳大学)
本文提出了一种基于深度学习的车辆轨迹预测技术,可以实时的生成周围车辆的未来轨迹序列。我们采用编码器-解码器架构,该架构使用基于长短期记忆(LSTM)的编码器来分析过去轨迹中潜在的模式,并使用基于LSTM的解码器来生成未来轨迹序列。该结构通过采用波束搜索技术在占用栅格地图上产生$K$最可能的轨迹候选,该波束搜索技术保持来自解码器输出的$K$局部最佳候选。高速公路交通场景的实验表明,该方法的预测精度显着高于传统的轨迹预测技术。
2018-10-22 cs.LG
Probabilistic Vehicle Trajectory Prediction over Occupancy Grid Map via Recurrent Neural Network
Hanyang University(汉阳大学)
在本文中,我们提出了一个有效的车辆轨迹预测框架的基础上,循环神经网络。基本上,车辆的轨迹的特性不同于规则移动物体的特性,因为它受到包括道路结构、交通规则和驾驶员意图的各种潜在因素的影响。现有技术的方法使用复杂的车辆行为模型描述这些因素,并推导出复杂的轨迹预测算法,这需要系统设计者进行密集的模型优化,以供实际使用。我们的方法是数据驱动的,使用简单,因为它通过深度神经网络模型从大量的轨迹数据中学习车辆的复杂行为。所提出的轨迹预测方法采用称为长短期记忆(LSTM)的循环神经网络来分析时间行为并预测周围车辆的未来坐标。所提出的方案将从传感器测量获得的车辆坐标序列馈送到LSTM,并产生关于车辆在占用网格地图上的未来位置的概率信息。使用高速公路驾驶收集的数据进行的实验表明,所提出的方法可以产生合理的未来轨迹的良好估计。
2017-09-01 cs.LG
GISNet: Graph-Based Information Sharing Network For Vehicle Trajectory Prediction
Department of Engineering and Computer Science, Syracuse University(锡拉丘兹大学工程与计算机科学系);Syracuse University(锡拉丘兹大学)
轨迹预测是自动驾驶系统设计中的一个关键且具有挑战性的问题。许多面向人工智能的公司,如谷歌Waymo,Uber和DiDi,正在研究更准确的车辆轨迹预测算法。然而,预测性能是由很多纠缠的因素,如周围车辆的随机行为,历史信息的自我轨迹,和相对位置的邻居,在本文中,我们提出了一种新的基于图的信息共享网络(GISNet),允许目标车辆和周围车辆之间的信息共享。同时,该模型对场景中所有车辆的历史轨迹信息进行编码。在公开的NGSIM US-101和I-80数据集上进行了实验,并通过均方根误差(RMSE)来衡量预测性能。定量和定性的实验结果表明,我们的模型显着提高了轨迹预测精度,高达50.00%,相比现有的模型。
2020-03-22 cs.AI cs.CV cs.LG
GSAVS: Gaussian Splatting-based Autonomous Vehicle Simulator
UC Santa Cruz(加州大学圣克鲁兹分校)
本文提出GSAVS自动驾驶模拟器,将3D高斯泼溅资产集成到经典3D引擎中,兼顾照片级真实感渲染与灵活定制,支持自动驾驶模型开发。
2024-12-25 cs.AI cs.LG cs.RO
VeTraSS: Vehicle Trajectory Similarity Search Through Graph Modeling and Representation Learning
Dartmouth College(达特茅斯学院);Shanghai Jiao Tong University(上海交通大学);University of California, Irvine(加州大学欧文分校);Harvard University(哈佛大学)
针对现有车辆轨迹相似性搜索方法架构复杂、未利用轨迹动态特征的问题,提出基于多尺度图建模与多层注意力GNN的端到端框架VeTraSS,在两个数据集上达到SOTA,可支撑自动驾驶轨迹分析与安全导航。
2024-04-11 cs.AI cs.LG cs.RO
Graph-Based Spatial-Temporal Convolutional Network for Vehicle Trajectory Prediction in Autonomous Driving
Shanghai Jiao Tong University(上海交通大学)
预测相邻车辆的运动轨迹是自主车辆进行决策和运动规划的关键步骤。本文提出了一种基于图的时空卷积网络(GSTCN),预测未来的轨迹分布的所有邻居车辆使用过去的轨迹。该网络使用图卷积网络(GCN)处理空间交互,并使用卷积神经网络(CNN)捕获时间特征。时空特征通过门控递归单元(GRU)网络进行编码和解码,以生成未来的轨迹分布。此外,我们提出了一个加权邻接矩阵来描述车辆之间的相互影响的强度,烧蚀研究表明,我们提出的方案的有效性。在下一代仿真系统(NGSIM)中的I-80和US-101两个真实的高速公路轨迹数据集上对该网络进行了测试,从预测误差、模型大小和推理速度三个方面进行了比较,结果表明该网络具有最佳的性能。
2021-09-27 cs.AI cs.LG cs.RO
UVTM: Universal Vehicle Trajectory Modeling with ST Feature Domain Generation
Aalborg University(奥尔堡大学);Beijing Jiaotong University(北京交通大学)
本文提出通用车辆轨迹模型 UVTM,通过三个可独立掩码生成的 ST 特征域及由稀疏不完整轨迹重建稠密完整轨迹的预训练方法,提升多任务与缺失特征场景下的轨迹建模能力。
2025-05-13 cs.LG
Vehicle predictive trajectory patterns from isochronous data
Engineering Consultant(工程顾问)
测量和分析传感器数据是车辆动力学开发中的基本技术,随着嵌入式和数据采集系统的发展,分析大型数据集成为可能。本文提出了一种详细的方法,用于评估和绘制等值线轨迹模式在格拉茨(奥地利)通过使用数据融合视频,ArduinoUno和罗盘传感器HDMM01。预测等值线轨迹模式是从预定义时间范围的数据值导出的。可以识别极端驾驶行为和危险道路几何形状。可以提供即时道路传感器数据,其可以用于比较来自轨迹路径以及不同时间实例的数据。本研究的结果表明,轨迹模式是成功的预测当前轨迹模式的可能演变,并可以提供对未来的驾驶情况的评估。本研究所获得的数据可作为未来城市规划节能驾驶路径以及基于定量和相关动态测量的车辆设计和工程改进的参考。
2021-01-07 cs.LG
Human-Centered Autonomous Vehicle Systems: Principles of Effective Shared Autonomy
Massachusetts Institute of Technology (MIT)(麻省理工学院(MIT))
打造高效、舒适、安全的自动驾驶汽车比历史上人们所认为的要困难得多。原因在于,简单地说,自动驾驶汽车必须与人类互动。这种互动不是机器人问题,也不是机器学习问题,也不是心理学问题,也不是经济学问题,也不是政策问题。它是所有这些问题的集合。它挑战了我们对人类在最坏情况下的局限性和人工智能系统在最好情况下的能力的假设。这项工作提出了一套以人为本的方式设计和建造自动驾驶汽车的原则,这种原则不会逃避人性的复杂性,而是拥抱它。我们描述了我们以人为本的自动驾驶汽车(HCAV)的开发,作为在实践中实施这些原则的说明性案例研究。
2018-10-03 cs.AI cs.CV cs.HC
Interaction-Aware Personalized Vehicle Trajectory Prediction Using Temporal Graph Neural Networks
InfoTech Labs, Toyota Motor North America R&D(丰田汽车北美研发中心信息技术实验室)
针对通用车辆轨迹预测忽视个体驾驶风格的问题,提出融合GCN与LSTM并经大规模预训练和驾驶员微调的交互感知个性化方法,提升了长时域预测精度。
2023-08-16 cs.AI cs.CV cs.LG
Adaptive Game-Theoretic Decision Making for Autonomous Vehicle Control at Roundabouts
University of Michigan(密歇根大学);Bilkent University(比尔肯特大学)
在本文中,我们提出了一个决策算法的自主车辆控制在环形交叉口。该算法是基于一个博弈论模型表示的自我车辆和对手车辆之间的相互作用,并适应于在线估计的对手车辆的驾驶员类型。模拟结果的报告。
2018-10-01 cs.GT cs.LG cs.RO
Spatial Temporal Attention based Target Vehicle Trajectory Prediction for Internet of Vehicles
The School of Computer Science and Technology, Hangzhou Dianzi University(杭州电子科技大学计算机科学与技术学院);The School of Automation, Hangzhou Dianzi University(杭州电子科技大学自动化学院);The China Mobile Information Technology Co., Ltd.(中国移动信息技术有限公司);The Key Laboratory for Information Science of Electromagnetic Waves (MoE), Fudan University(复旦大学电磁波信息科学教育部重点实验室)
本文提出STATVTPred方法,结合GPS、图注意力网络与Transformer提取时空特征并融合路网结构,在T-Drive和成都数据集上显著提升车辆轨迹预测精度。
2025-01-01 cs.LG cs.RO
Data-Driven Vehicle Trajectory Forecasting
University of Hildesheim(希尔德斯海姆大学)
一个活跃的研究领域是提高自动驾驶汽车的安全性。虽然安全性不能完全保证,但车辆预测周围车辆未来轨迹的能力可以帮助确保这种安全性。我们将轨迹预测问题转化为多时间步长预测问题,并开发了一种基于卷积神经网络的方法来实时地从完全原始数据集生成的轨迹序列中学习。结果表明,与基线相比,情况有所改善。
2019-02-09 cs.CV cs.LG cs.RO
Practical Solutions for Machine Learning Safety in Autonomous Vehicles
Texas A&M University(得克萨斯农工大学);NVIDIA(英伟达)
自动驾驶汽车依靠机器学习来解决感知和运动规划方面的挑战性任务。然而,汽车软件安全标准尚未完全发展,以解决机器学习安全性的挑战,如可解释性,验证和性能限制。在本文中,我们回顾和组织实用的机器学习安全技术,可以补充自动驾驶汽车中基于机器学习的软件的工程安全。我们的组织将安全策略映射到最先进的机器学习技术,以增强机器学习算法的可靠性和安全性。我们还讨论了自动驾驶汽车中机器学习组件的安全限制和用户体验方面。
2019-12-20 cs.LG stat.ML
Vehicle Trajectory Prediction by Transfer Learning of Semi-Supervised Models
Columbia University(哥伦比亚大学)
在这项工作中,我们表明,用于车辆轨迹预测的半监督模型显着提高了最先进的现实世界基准上的监督模型的性能。从监督模型到半监督模型允许通过使用未标记数据进行扩展,将预训练中的图像数量从数百万增加到10亿。我们进行消融研究,比较半监督和监督模型的迁移学习,同时保持所有其他因素相同。在半监督模型中,我们比较了对比学习与师生方法,以及预测少量轨迹的网络与预测大轨迹集上概率的网络。我们的结果使用低级别和中级表示的驾驶环境证明了半监督方法的适用性,为现实世界的车辆轨迹预测。
2020-10-10 cs.CV cs.LG
Transfer Learning and Organic Computing for Autonomous Vehicles
University of Passau(帕绍大学)
自动驾驶汽车(AV)是未来最光明的前景之一,它将有助于减少死亡人数,改善旅行时间,同时协调工作。自动驾驶汽车将面临前所未有的挑战和体验。这些经验应该转化为知识,帮助车辆在未来做好更好的准备。在线迁移学习将有助于将先前的知识转移到新的任务中,并随着任务的发展保持知识的更新。本文介绍了适用于自动驾驶汽车领域的迁移学习、在线迁移学习和有机计算的不同方法。
2018-08-16 cs.LG cs.RO stat.ML
Spatiotemporal Capsule Neural Network for Vehicle Trajectory Prediction
Nanyang Technological University(南洋理工大学)
通过推进车联网(V2X)网络,道路安全、能源消耗和交通效率可以得到显著改善。准确的车辆轨迹预测有利于V2X网络实时应用的通信流量管理和网络资源分配。最近的研究报告了递归神经网络及其变体来预测车辆移动性。然而,车辆运动行为的空间属性一直被忽视,导致信息利用不充分。为了弥补这一差距,我们提出了第一次使用胶囊神经网络(CapsNet)与三个连续组件的分层轨迹预测结构。首先,地理信息被转换成一个网格地图表示,描述空间和时间的车辆移动分布。其次,CapsNet作为核心模型,通过层次胶囊嵌入局部时间和全局空间相关性。最后,在波尔图市(葡萄牙)和新加坡收集的实际出租车移动数据进行了广泛的实验表明,所提出的方法优于国家的最先进的方法。
2023-03-06 cs.CV cs.LG
Multi-Head Attention based Probabilistic Vehicle Trajectory Prediction
Hanyang University(汉阳大学)
本文提出了一种用于概率车辆轨迹预测的在线深度学习模型。我们提出了一个简单的编码器-解码器架构的基础上多头注意力。所提出的模型产生的分布的预测轨迹的多个车辆并行。我们对交互进行建模的方法可以学习以无监督的方式关注一些有影响力的车辆,这可以提高网络的可解释性。在高速公路上使用自然轨迹的实验表明,在纵向和横向方向上的位置误差方面有明显的改善。
2020-07-04 cs.CV cs.LG cs.RO
Federated Learning-based Vehicle Trajectory Prediction against Cyberattacks
Imperial College London(帝国理工学院)
针对车联网中虚假数据攻击与轨迹隐私泄露问题,提出联邦学习车辆轨迹预测算法FL-TP,并在VeReMi五类攻击数据集上验证其检测与预测性能提升。
2023-06-14 cs.CR cs.LG cs.SY
Interpretable Safety Validation for Autonomous Vehicles
自动驾驶的一个开放性问题是如何在仿真中验证自动驾驶车辆的安全性。自动化测试程序可以发现自主系统的故障,但这些故障可能由于其高维性而难以解释,并且可能不太可能以至于不重要。这项工作描述了一种方法,用于找到自治系统的可解释的故障。故障由人可以理解的信号时序逻辑表达式描述,并且被优化以产生具有高可能性的故障。我们的方法证明了自动驾驶汽车的安全验证的背景下,无保护的左转和人行横道与行人。与基线重要性采样方法相比,我们的方法发现了更多的故障,具有更高的可能性,同时保持可解释性。
2020-06-26 cs.LG cs.RO stat.ML
Assessing behaviour coverage in a multi-agent system simulation for autonomous vehicle testing
University of Bristol(布里斯托大学)
本研究提出了一种基于模型预测控制的行人智能体,用于评估多智能体系统模拟在自动驾驶测试中的行为覆盖率,以提升系统安全性和可靠性。
2025-12-29 cs.LG cs.MA cs.RO
A Driving Intention Prediction Method Based on Hidden Markov Model for Autonomous Driving
在自动驾驶车辆和人类驾驶车辆同时存在的混合交通场景中,及时预测附近人类驾驶车辆的驾驶意图对于自动驾驶车辆的安全和高效驾驶至关重要。提出了一种基于隐马尔可夫模型(HMM)的自动驾驶汽车驾驶意图预测方法。代表不同的驾驶意图的障碍训练和测试与现场收集的数据从立交桥。在训练模型时,应用车辆的移动性特征的离散或连续表征。实验结果表明,利用连续表征的移动性特征训练的Hacker用于驾驶意图预测时,具有较高的预测精度。此外,当考虑车辆周围交通时,所提出的预测方法的性能得到进一步改善。
2019-02-25 cs.LG cs.RO stat.ML
Improving benchmarks for autonomous vehicles testing using synthetically generated images
AGH University of Technology(AGH科技大学)
如今,自主技术是一个非常深入的探索领域,特别是计算机视觉作为车辆感知的主要组成部分。整个神经网络视觉系统的质量依赖于训练数据集,而世界上大多数国家的交通标志数据集都很难找到。这意味着来自美国的自动驾驶汽车将无法在立陶宛行驶,无法识别沿途的所有路标。在本文中,我们提出了一个解决方案,如何更新模型使用一个小的数据集,从国家的车辆将被用于。值得一提的是,这不是灵丹妙药,而是小规模的升级,可以促进数据访问有限的国家的自动驾驶汽车发展。我们实现了约10%的质量提高,并期望在未来的实验中取得更好的结果。
2019-04-23 cs.CV cs.LG cs.RO